Derniers articles pour Confidentialité des données

Cette étude améliore la sécurité de l'apprentissage automatique quantique contre les attaques adversariales grâce à des canaux de bruit et des méthodes de confidentialité.

Fast-FedUL propose des méthodes rapides pour supprimer des données en apprentissage fédéré tout en garantissant la vie privée.

De nouvelles méthodes améliorent les processus de suppression des données dans les modèles d'apprentissage automatique.

KALM4Rec améliore les recommandations pour les nouveaux utilisateurs en utilisant des méthodes basées sur des mots-clés.

Apprends comment la minimisation des données protège la vie privée malgré l'augmentation de la collecte de données.

De nouvelles méthodes réduisent les risques de mémorisation dans l'imagerie médicale avec des modèles de diffusion.

FeMLoc améliore la localisation intérieure en utilisant des techniques d'apprentissage fédéré et d'apprentissage meta.

Cet article parle de l'impact de la confidentialité différentielle sur la confiance dans le recensement américain.

Une nouvelle méthode pour améliorer l'apprentissage continu sans exemplaires en suivant les changements de représentation des classes.

FedGELA s'attaque aux défis de l'apprentissage fédéré avec des données partiellement disjointes par classe.

Une nouvelle méthode pour l'apprentissage fédéré qui s'attaque aux défis de l'apprentissage continu.

FedLESAM s'occupe des problèmes de données dans l'apprentissage fédéré pour de meilleures performances des modèles.

Explorer des méthodes pour sécuriser les infos des patients dans la recherche clinique.

FedMR s'attaque aux défis de l'apprentissage fédéré avec des données de classes partielles, améliorant la performance du modèle.

PadFL améliore le partage de modèles et l'efficacité selon les capacités des appareils.

L'apprentissage fédéré entraîne des modèles tout en gardant les données des utilisateurs privées et sécurisées.

Les outils IA aident les négociateurs dans des environnements complexes, améliorant l'efficacité et la prise de décision.

Une méthode pour réécrire des textes tout en protégeant la vie privée des individus.

Une nouvelle approche améliore la sécurité et les performances dans l'apprentissage fédéré avec la blockchain.

Une étude révèle comment les applis mobiles influencent nos comportements de voyage.

Examiner les contributions et les vulnérabilités des clients dans les systèmes d'apprentissage fédéré.

Une méthode pour l'apprentissage machine collaboratif tout en gardant les données privées.

Nouvelles méthodes pour la collaboration préservant la vie privée dans l'apprentissage fédéré vertical.

Explorer le contrôle fédéré dans l'apprentissage par renforcement pour que les agents collaborent en toute sécurité.

Oublier aide à apprendre chez les humains et les modèles de machines, ce qui améliore l'adaptabilité et la performance.

Une nouvelle méthode améliore la confidentialité des données pour l'analyse de données discrètes.

SpaFL améliore la communication et le calcul dans l'apprentissage fédéré tout en sécurisant les données personnelles.

LayerCAM-AE améliore la détection des mises à jour malveillantes dans l'apprentissage fédéré tout en préservant la confidentialité des données.

La recherche vise à équilibrer la vie privée et la précision dans les méthodes d'estimation de la moyenne vectorielle.

Les contrefactuels révèlent des trucs intéressants mais posent des risques pour la vie privée en apprentissage automatique.

Examiner les risques et l'utilisation abusive des grands modèles de langue dans la cybercriminalité.

Une nouvelle méthode s'attaque aux erreurs sans fil dans l'apprentissage fédéré pour les appareils IoT.

Cet article parle de la vie privée et des biais dans les algorithmes prédictifs pour des données sensibles.

Une nouvelle méthode améliore les prédictions des modèles pour une meilleure adaptation sans données sources.

Un nouveau cadre améliore la création de données synthétiques tout en protégeant les infos personnelles.

Une nouvelle approche multi-serveurs améliore l'efficacité et la vitesse de l'apprentissage fédéré.

On vous présente PrivacyRestore pour protéger les données des utilisateurs tout en utilisant de grands modèles de langage.

Cette étude s'attaque aux galères pour désapprendre des données des modèles d'apprentissage automatique.

Méthodes pour estimer les caractéristiques d'un jeu de données tout en gardant les données individuelles en sécurité.

Une nouvelle méthode améliore l'apprentissage fédéré tout en protégeant la vie privée des utilisateurs.